PCAP-Backdoor：面向 CPS/IoT 环境的网络流量后门生成器
机器学习
2025-01-29 v2 密码学与安全
网络与互联网体系结构
摘要
连接设备的快速扩张使其成为网络攻击的主要目标。为应对这些威胁，基于深度学习的数据驱动入侵检测系统（IDS）已成为强大的工具，用于检测和缓解此类攻击。这些 IDS 分析网络流量以识别可能指示潜在安全 breach 的异常模式和异常。然而，先前的研究表明，深度学习模型对后门攻击高度脆弱，攻击者可注入触发器来操控模型行为并导致网络流量误分类。在本文中，我们探讨了针对网络流量分析的深度学习 IDS 系统受到后门攻击的脆弱性。我们引入了 \texttt{PCAP-Backdoor}，一种新型技术，用于对 PCAP 数据集实施后门投毒攻击。我们在真实世界的 Cyber-Physical Systems（CPS）和 Internet of Things（IoT）网络流量数据集上的实验表明，攻击者可通过对整个训练数据集的 1% 以下进行投毒即可有效后门化模型。此外，我们展示了攻击者在模型训练期间可将触发器引入正常流量，但在触发器存在时，后门化模型会误分类恶意流量。最后，我们强调即使使用现有后门防御技术，检测此类基于触发器的后门也十分困难。
引用
@article{arxiv.2501.15563,
title = {PCAP-Backdoor: Backdoor Poisoning Generator for Network Traffic in CPS/IoT Environments},
author = {Ajesh Koyatan Chathoth and Stephen Lee},
journal= {arXiv preprint arXiv:2501.15563},
year = {2025}
}